基于OpenFE框架的机器学习Level2高频特征挖掘方法
创建于 更新于
摘要
本报告基于OpenFE框架，提出了先扩张后缩减的高频因子自动化挖掘方法，结合机器学习模型训练提升选股效果。通过Mask、基础特征和聚合算子构建备选因子，利用连续二分法和FeatureBoost大幅提升计算效率。测试显示，使用OpenFE因子输入LGBM模型后，IC均值提升至6.42%，多头年化超额收益7.87%；与Alpha158和GJQuant因子合成后，IC达8.76%，年化超额19.34%。最终构建的中证1000选股策略，年化超额收益率13.68%，超额最大回撤仅4.38%，信息比率1.98，表现稳定优异，为高频因子挖掘与应用提供了有效路径 [page::0][page::3][page::6][page::8][page::10][page::13]
